01-立项：为什么「电池自己体检」是钠电 × AIDC 绕不开的问题

风象 08 天秤座｜AI 驱动的全生命周期运维 · 立项留痕 时间：2026-10-14 晚 · 状态：数据已到手，EDA 完成

这个问题为什么值得问

AIDC（AI 数据中心）的用电画像是「高倍率脉冲 + 可能低温 + 7×24 长时运行」。钠电被寄予厚望，恰恰因为它低温特性好、倍率能力强——但这反过来意味着它会被推到更极端的工况边界上运行。电池衰减是不可见的：今天能扛住脉冲的电池，300 次循环后还能不能扛？现在业界的答案本质上是「安全靠冗余、成本靠猜」。

我的问题：能否只凭运行数据，提前预测电池 SOH 与剩余寿命，给出带置信区间的预警，并据此动态调节充放电策略？

AI 辅助调研过程（诚实留痕）

• 用 AI 检索并交叉验证了 NASA PCoE 数据集各电芯组的实验条件。过程中发现二手文献之间互相矛盾（有论文把 B0033 组标为 4 ℃，也有标为 24 ℃），最终回到官方 README 原文核对——B0033/34/36 实为 24 ℃/4A 常温高倍率组，真正的 4 ℃ 组是 B0041-48 与 B0053-56。教训：AI 检索快，但关键参数必须以一手文档为准。
• 选题上，AI 辅助对比了 12 个议题与「性能建模预测」的匹配度，确认天秤座议题天然包含「安全预警 + 策略优化 + 收益验证」闭环。

数据到手：NASA PCoE 18650 老化数据集

官方直链已失效，通过 NASA 官方 S3 镜像与 GitHub 全量镜像双通道取得 19 只电芯原始 .mat 文件（约 160 MB），全部通过完整性校验。

工况组	电芯	温度/放电倍率	放电循环数
常温基准（训练主力）	B0005/06/07/18	24 ℃ / 2A	168/168/168/132
常温高倍率	B0033/34/36	24 ℃ / 4A（B36 为 2A）	197 ×3
高温	B0029-32	43 ℃ / 4A	40 ×4
低温	B0053-56	4 ℃ / 2A	56/103/102/102
低温变倍率（备选）	B0041-44	4 ℃ / 1A 与 4A 混合	67/112/112/112

这就是为跨工况泛化验证量身定做的数据：训练在 24 ℃/2A，测试在 4 ℃（同倍率）、24 ℃/4A（同温度）、43 ℃/4A（双偏移）——温度和倍率两个变量的泛化能力可以分开考。

EDA 第一轮发现（清洗后 1949 条放电记录，衰减曲线见配图）

1. 4 ℃ 下首循环可用容量直接掉 36%（1.90 → 1.21 Ah）——低温砍掉的是「即时容量」而不只是「寿命」；对 AIDC 意味着低温场景的实际可用电量远小于账面容量。
2. SOH 口径是个陷阱：以额定 2Ah 为分母，4 ℃ 组从第 1 循环起 SOH 就「不及格」——这把「工况导致的可用容量下降」和「真实老化」混为一谈。建模时必须把温度/倍率作为输入特征，或用同工况归一化。这会是我方法论里的一个核心论点。
3. 原始数据含异常段（中断测试、0.23A 伪放电记录），按「容量范围 + 滚动中位数偏差」规则剔除 204 条，规则与丢弃明细全部开源可查。

下一步（10/15）

• IC/DV 曲线特征提取（充电段 dQ/dV 峰位/峰高 vs SOH 的单调性验证）
• 基线模型：分位数梯度提升，一次输出点预测 + 90% 区间

局限声明：公开老化数据为锂电（LiCoO₂ 18650），钠电适配性将用文献数据外推并单独标注，不混入训练。